如何从未排序的 std::vector 中删除重复项，同时使用算法保持原始排序

>我有一个整数数组，我需要从中删除重复项，同时保持每个整数第一次出现的顺序。我可以看到这样做，但想象一下有更好的方法可以更好地利用 STL 算法？插入是我无法控制的，所以我无法在插入之前检查重复项。

int unsortedRemoveDuplicates(std::vector<int> &numbers) {
    std::set<int> uniqueNumbers;
    std::vector<int>::iterator allItr = numbers.begin();
    std::vector<int>::iterator unique = allItr;
    std::vector<int>::iterator endItr = numbers.end();
    for (; allItr != endItr; ++allItr) {
        const bool isUnique = uniqueNumbers.insert(*allItr).second;
        if (isUnique) {
            *unique = *allItr;
            ++unique;
        }
    }
    const int duplicates = endItr - unique;
    numbers.erase(unique, endItr);
    return duplicates;
}

如何使用 STL 算法完成此操作？

听起来像是std：：copy_if的工作。定义一个谓词，用于跟踪已处理的元素，如果有，则返回 false。

如果您没有 C++11 支持，则可以使用笨拙命名的 std：：remove_copy_if 并反转逻辑。

这是一个未经测试的示例：

template <typename T>
struct NotDuplicate {
  bool operator()(const T& element) {
    return s_.insert(element).second; // true if s_.insert(element);
  }
 private:
  std::set<T> s_;
};

然后

std::vector<int> uniqueNumbers;
NotDuplicate<int> pred;
std::copy_if(numbers.begin(), numbers.end(), 
             std::back_inserter(uniqueNumbers),
             std::ref(pred));

其中std::ref已用于避免算法在内部复制有状态函子的潜在问题，尽管std::copy_if对所应用的函子的副作用没有任何要求。

天真的方法是按照每个人告诉你的那样使用std::set。它矫枉过正，缓存局部性差(慢(.
聪明*的方法是适当地使用std::vector(确保看到底部的脚注(：

#include <algorithm>
#include <vector>
struct target_less
{
    template<class It>
    bool operator()(It const &a, It const &b) const { return *a < *b; }
};
struct target_equal
{
    template<class It>
    bool operator()(It const &a, It const &b) const { return *a == *b; }
};
template<class It> It uniquify(It begin, It const end)
{
    std::vector<It> v;
    v.reserve(static_cast<size_t>(std::distance(begin, end)));
    for (It i = begin; i != end; ++i)
    { v.push_back(i); }
    std::stable_sort(v.begin(), v.end(), target_less());
    v.erase(std::unique(v.begin(), v.end(), target_equal()), v.end());
    std::sort(v.begin(), v.end());
    size_t j = 0;
    for (It i = begin; i != end && j != v.size(); ++i)
    {
        if (i == v[j])
        {
            using std::iter_swap; iter_swap(i, begin);
            ++j;
            ++begin;
        }
    }
    return begin;
}

然后你可以像这样使用它：

int main()
{
    std::vector<int> v;
    v.push_back(6);
    v.push_back(5);
    v.push_back(5);
    v.push_back(8);
    v.push_back(5);
    v.push_back(8);
    v.erase(uniquify(v.begin(), v.end()), v.end());
}

*注意：在重复数量不太高的典型情况下，这是聪明的方法。有关更全面的性能分析，请参阅相关问题的相关解答。

快速而简单，C++11：

template<typename T>
size_t RemoveDuplicatesKeepOrder(std::vector<T>& vec)
{
    std::set<T> seen;
    auto newEnd = std::remove_if(vec.begin(), vec.end(), [&seen](const T& value)
    {
        if (seen.find(value) != std::end(seen))
            return true;
        seen.insert(value);
        return false;
    });
    vec.erase(newEnd, vec.end());
    return vec.size();
}

int unsortedRemoveDuplicates(std::vector<int>& numbers)
{
    std::set<int> seenNums; //log(n) existence check
    auto itr = begin(numbers);
    while(itr != end(numbers))
    {
        if(seenNums.find(*itr) != end(seenNums)) //seen? erase it
            itr = numbers.erase(itr); //itr now points to next element
        else
        {
            seenNums.insert(*itr);
            itr++;
        }
    }
    return seenNums.size();
}

//3 6 3 8 9 5 6 8
//3 6 8 9 5

为了验证建议的解决方案的性能，我测试了其中的三个，如下所示。测试使用具有 1 百万元素和不同重复比率(0%，1%，2%，...，10%，...，90%，100%(的随机向量。

Mehrdad的解决方案，目前被接受的答案：

void uniquifyWithOrder_sort(const vector<int>&, vector<int>& output)
{
    using It = vector<int>::iterator;
    struct target_less
    {
        bool operator()(It const &a, It const &b) const { return *a < *b; }
    };
    struct target_equal
    {
        bool operator()(It const &a, It const &b) const { return *a == *b; }
    };
    auto begin = output.begin();
    auto const end = output.end();
    {
        vector<It> v;
        v.reserve(static_cast<size_t>(distance(begin, end)));
        for (auto i = begin; i != end; ++i)
        {
            v.push_back(i);
        }
        sort(v.begin(), v.end(), target_less());
        v.erase(unique(v.begin(), v.end(), target_equal()), v.end());
        sort(v.begin(), v.end());
        size_t j = 0;
        for (auto i = begin; i != end && j != v.size(); ++i)
        {
            if (i == v[j])
            {
                using std::iter_swap; iter_swap(i, begin);
                ++j;
                ++begin;
            }
        }
    }
    output.erase(begin, output.end());
}

胡安乔潘扎的解决方案

void uniquifyWithOrder_set_copy_if(const vector<int>& input, vector<int>& output)
{
    struct NotADuplicate
    {
        bool operator()(const int& element)
        {
            return _s.insert(element).second;
        }
    private:
        set<int> _s;
    };
    vector<int> uniqueNumbers;
    NotADuplicate pred;
    output.clear();
    output.reserve(input.size());
    copy_if(
        input.begin(),
        input.end(),
        back_inserter(output),
        ref(pred));
}

利维坦的解决方案

void uniquifyWithOrder_set_remove_if(const vector<int>& input, vector<int>& output)
{
    set<int> seen;
    auto newEnd = remove_if(output.begin(), output.end(), [&seen](const int& value)
    {
        if (seen.find(value) != end(seen))
            return true;
        seen.insert(value);
        return false;
    });
    output.erase(newEnd, output.end());
}

为简单起见，对它们进行了略微修改，并允许将就地解决方案与非就地解决方案进行比较。此处提供了用于测试的完整代码。

结果表明，如果您知道至少有 1% 重复，那么remove_if解决方案std::set是最好的解决方案。否则，您应该使用sort解决方案：

// Intel(R) Core(TM) i7-2600 CPU @ 3.40 GHz 3.40 GHz
// 16 GB RAM, Windows 7, 64 bit
//
// cl 19
// /GS /GL /W3 /Gy /Zc:wchar_t /Zi /Gm- /O2 /Zc:inline /fp:precise /D "NDEBUG" /D "_CONSOLE" /D "_UNICODE" /D "UNICODE" /WX- /Zc:forScope /Gd /Oi /MD /EHsc /nologo /Ot 
//
// 1000 random vectors with 1 000 000 elements each.
// 11 tests: with 0%, 10%, 20%, ..., 90%, 100% duplicates in vectors.
// Ratio: 0
// set_copy_if   : Time : 618.162 ms +- 18.7261 ms
// set_remove_if : Time : 650.453 ms +- 10.0107 ms
// sort          : Time : 212.366 ms +- 5.27977 ms
// Ratio : 0.1
// set_copy_if   : Time : 34.1907 ms +- 1.51335 ms
// set_remove_if : Time : 24.2709 ms +- 0.517165 ms
// sort          : Time : 43.735 ms +- 1.44966 ms
// Ratio : 0.2
// set_copy_if   : Time : 29.5399 ms +- 1.32403 ms
// set_remove_if : Time : 20.4138 ms +- 0.759438 ms
// sort          : Time : 36.4204 ms +- 1.60568 ms
// Ratio : 0.3
// set_copy_if   : Time : 32.0227 ms +- 1.25661 ms
// set_remove_if : Time : 22.3386 ms +- 0.950855 ms
// sort          : Time : 38.1551 ms +- 1.12852 ms
// Ratio : 0.4
// set_copy_if   : Time : 30.2714 ms +- 1.28494 ms
// set_remove_if : Time : 20.8338 ms +- 1.06292 ms
// sort          : Time : 35.282 ms +- 2.12884 ms
// Ratio : 0.5
// set_copy_if   : Time : 24.3247 ms +- 1.21664 ms
// set_remove_if : Time : 16.1621 ms +- 1.27802 ms
// sort          : Time : 27.3166 ms +- 2.12964 ms
// Ratio : 0.6
// set_copy_if   : Time : 27.3268 ms +- 1.06058 ms
// set_remove_if : Time : 18.4379 ms +- 1.1438 ms
// sort          : Time : 30.6846 ms +- 2.52412 ms
// Ratio : 0.7
// set_copy_if   : Time : 30.3871 ms +- 0.887492 ms
// set_remove_if : Time : 20.6315 ms +- 0.899802 ms
// sort          : Time : 33.7643 ms +- 2.2336 ms
// Ratio : 0.8
// set_copy_if   : Time : 33.3077 ms +- 0.746272 ms
// set_remove_if : Time : 22.9459 ms +- 0.921515 ms
// sort          : Time : 37.119 ms +- 2.20924 ms
// Ratio : 0.9
// set_copy_if   : Time : 36.0888 ms +- 0.763978 ms
// set_remove_if : Time : 24.7002 ms +- 0.465711 ms
// sort          : Time : 40.8233 ms +- 2.59826 ms
// Ratio : 1
// set_copy_if   : Time : 21.5609 ms +- 1.48986 ms
// set_remove_if : Time : 14.2934 ms +- 0.535431 ms
// sort          : Time : 24.2485 ms +- 0.710269 ms

// Ratio: 0
// set_copy_if   : Time: 666.962 ms +- 23.7445 ms
// set_remove_if : Time: 736.088 ms +- 39.8122 ms
// sort          : Time: 223.796 ms +- 5.27345 ms
// Ratio: 0.01
// set_copy_if   : Time: 60.4075 ms +- 3.4673 ms
// set_remove_if : Time: 43.3095 ms +- 1.31252 ms
// sort          : Time: 70.7511 ms +- 2.27826 ms
// Ratio: 0.02
// set_copy_if   : Time: 50.2605 ms +- 2.70371 ms
// set_remove_if : Time: 36.2877 ms +- 1.14266 ms
// sort          : Time: 62.9786 ms +- 2.69163 ms
// Ratio: 0.03
// set_copy_if   : Time: 46.9797 ms +- 2.43009 ms
// set_remove_if : Time: 34.0161 ms +- 0.839472 ms
// sort          : Time: 59.5666 ms +- 1.34078 ms
// Ratio: 0.04
// set_copy_if   : Time: 44.3423 ms +- 2.271 ms
// set_remove_if : Time: 32.2404 ms +- 1.02162 ms
// sort          : Time: 57.0583 ms +- 2.9226 ms
// Ratio: 0.05
// set_copy_if   : Time: 41.758 ms +- 2.57589 ms
// set_remove_if : Time: 29.9927 ms +- 0.935529 ms
// sort          : Time: 54.1474 ms +- 1.63311 ms
// Ratio: 0.06
// set_copy_if   : Time: 40.289 ms +- 1.85715 ms
// set_remove_if : Time: 29.2604 ms +- 0.593869 ms
// sort          : Time: 57.5436 ms +- 5.52807 ms
// Ratio: 0.07
// set_copy_if   : Time: 40.5035 ms +- 1.80952 ms
// set_remove_if : Time: 29.1187 ms +- 0.63127 ms
// sort          : Time: 53.622 ms +- 1.91357 ms
// Ratio: 0.08
// set_copy_if   : Time: 38.8139 ms +- 1.9811 ms
// set_remove_if : Time: 27.9989 ms +- 0.600543 ms
// sort          : Time: 50.5743 ms +- 1.35296 ms
// Ratio: 0.09
// set_copy_if   : Time: 39.0751 ms +- 1.71393 ms
// set_remove_if : Time: 28.2332 ms +- 0.607895 ms
// sort          : Time: 51.2829 ms +- 1.21077 ms
// Ratio: 0.1
// set_copy_if   : Time: 35.6847 ms +- 1.81495 ms
// set_remove_if : Time: 25.204 ms +- 0.538245 ms
// sort          : Time: 46.4127 ms +- 2.66714 ms

以下是WilliamKF正在寻找的内容。它使用 erase 语句。此代码适用于列表，但不适用于向量。对于向量，不应使用 erase 语句。

//makes uniques in one shot without sorting !! 
template<class listtype> inline
void uniques(listtype* In)
    {
    listtype::iterator it = In->begin();
    listtype::iterator it2= In->begin();
    int tmpsize = In->size();
        while(it!=In->end())
        {
        it2 = it;
        it2++;
        while((it2)!=In->end())
            {
            if ((*it)==(*it2))
                In->erase(it2++);
            else
                ++it2;
            }
        it++;
        }
    }

我在不使用排序的情况下尝试的向量是：

//makes vectors as fast as possible unique
template<typename T> inline
void vectoruniques(std::vector<T>* In)
    {
    int tmpsize = In->size();
        for (std::vector<T>::iterator it = In->begin();it<In->end()-1;it++)
        {
            T tmp = *it;
            for (std::vector<T>::iterator it2 = it+1;it2<In->end();it2++)
            {
                if (*it2!=*it)
                    tmp = *it2;
                else
                    *it2 = tmp;
            }
        }
        std::vector<T>::iterator it = std::unique(In->begin(),In->end());
        int newsize = std::distance(In->begin(),it);
            In->resize(newsize);
    }

不知何故，看起来这行得通。我测试了一下，也许有人可以判断这是否真的有效！此解决方案不需要任何更好的运算符。我的意思是为什么要使用更大的运算符来搜索唯一元素？矢量的用法：

int myints[] = {21,10,20,20,20,30,21,31,20,20,2}; 
std::vector<int> abc(myints , myints+11);
vectoruniques(&abc);

这是通过移动支持处理 POD 和非 POD 类型的东西。使用默认运算符 == 或自定义相等谓词。不需要排序/运算符<、密钥生成或单独的集合。不知道这是否比上述其他方法更有效。

template <typename Cnt, typename _Pr = std::equal_to<typename Cnt::value_type>>
void remove_duplicates( Cnt& cnt, _Pr cmp = _Pr() )
{
    Cnt result;
    result.reserve( std::size( cnt ) );  // or cnt.size() if compiler doesn't support std::size()
    std::copy_if( 
        std::make_move_iterator( std::begin( cnt ) )
        , std::make_move_iterator( std::end( cnt ) )
        , std::back_inserter( result )
        , [&]( const typename Cnt::value_type& what ) 
        { 
            return std::find_if( 
                std::begin( result )
                , std::end( result )
                , [&]( const typename Cnt::value_type& existing ) { return cmp( what, existing ); }
            ) == std::end( result );
        }
    );  // copy_if
    cnt = std::move( result );  // place result in cnt param
}   // remove_duplicates

使用/测试：

{
    std::vector<int> ints{ 0,1,1,2,3,4 };
    remove_duplicates( ints );
    assert( ints.size() == 5 );
}
{
    struct data 
    { 
        std::string foo; 
        bool operator==( const data& rhs ) const { return this->foo == rhs.foo; }
    };
    std::vector<data>
        mydata{ { "hello" }, {"hello"}, {"world"} }
        , mydata2 = mydata
        ;
    // use operator==
    remove_duplicates( mydata );
    assert( mydata.size() == 2 );
    // use custom predicate
    remove_duplicates( mydata2, []( const data& left, const data& right ) { return left.foo == right.foo; } );
    assert( mydata2.size() == 2 );
}

由于您的向量包含整数，因此比"排序和唯一"更快的解决方案是在之前声明一个用 -1 初始化的大全局或静态大数组(在我的示例中为 t0(并使用它。结果证明它比"排序和唯一"快 50 倍：

results :
duration sort then unique == 36871
duration unique without sorting == 656
unique without sort is ok

这是代码：

int main(int argc, char*argv []) {
  //I am always declaring at least 2 global big vector<int> in my software, to speed up operations like unique
  //so I am not counting the creation of these "huge" vector in algo duration.
  const int N (5000); //max possible integer of vector tested
  const auto zero ((const int) 0), sm1 ((const int) -1);
  std::vector<int> t0 (N, sm1);
  //init vector to render unique
  std::vector<int> vec (1000000, sm1);
  std::for_each (vec.begin (), vec.end (), [] (auto& s) {s = rand ()%1000;}); //1000 < N 
  std::vector<int> vec1 (vec);
  clock_t beg (clock ()), end (beg);
  {
    beg = clock ();
    std::sort (vec.begin (), vec.end ());
    auto j (std::unique (vec.begin (), vec.end ()));
    if (j != vec.end ()) vec.erase (j, vec.end ());
    end = clock ();
    std::cout << "tduration sort then unique == " << (end - beg) << std::endl;
  }
  {
    beg = clock ();
    auto j (vec1.begin ());
    std::for_each (vec1.begin (), vec1.end (), [&j, &t0, &zero] (const auto& s) {
      if (t0 [s]) {
        *j++ = s;
        t0 [s] = zero;
      }
    });
    if (j != vec1.end ()) vec1.erase (j, vec1.end ());
    //clean t0
    std::for_each (vec1.begin (), vec1.end (), [&t0, &sm1] (const auto&s) {t0 [s] = sm1;});        
    end = clock ();
    //sorting is just here to compare with sort+unique, but not counting in duration
    std::sort (vec1.begin (), vec1.end ());
    std::cout << "tduration unique without sorting == " << (end - beg) << std::endl;
  }
  if (vec == vec1) std::cout << "tunique without sort is ok" << std::endl;
  else std::cout << "tunique without sort is nok" << std::endl;
}

这是一个 c++11 通用版本，它适用于迭代器，并且不分配额外的存储空间。它可能有 O(n^2( 的缺点，但对于较小的输入大小可能更快。

template<typename Iter>
Iter removeDuplicates(Iter begin,Iter end)
{
    auto it = begin;
    while(it != end)
    {
        auto next = std::next(it);
        if(next == end)
        {
            break;
        }
        end = std::remove(next,end,*it);
        it = next;
    }
    return end;
}

....

std::erase(removeDuplicates(vec.begin(),vec.end()),vec.end());

示例代码：http://cpp.sh/5kg5n

相关内容

最新更新

热门标签：